本文按时间顺序梳理 2025 年 7 月至 2026 年 1 月的主要工作，主要覆盖：ROS 工程实践、SLAM/状态估计基础、点云处理工具链，以及深度学习网络复现与工程化尝试。

2025 年 7 月：

首先学习的是ROS基础，参考的教程是赵虚左老师（Autolabor 官方网站），以 Pioneer 3-DX（P3-DX）移动机器人为平台，建图部分使用 gmapping 生成二维栅格地图，实现了简化版 A* 全局路径规划算法，并按照 move_base 的全局规划器接口进行封装，作为插件形式注册到系统中。局部规划则直接采用 move_base 自带的 DWA 规划器，通过参数调优实现对动态障碍物的实时避障与稳定跟踪。

总结收获：

1）系统框架：对“让机器人跑起来”的整体框架有了更完整的认知——从传感器/里程计输入、TF 维护、建图与定位，到全局/局部规划、控制输出与可视化调试，各模块之间的依赖关系与数据流闭环更加清晰。

2）TF：更清晰地认识到 TF 树的完整性与一致性（坐标系关系正确、时间戳连续、链路可达）是定位与导航稳定运行的前提，任何断链或时序问题都会出现各种问题。

3）ROS 通信与联调：在接口开发与系统联调中，对消息类型匹配、话题订阅/发布关系、数据流时序有了更深入的理解，同时也建立了更明确的排查思路与调参方法。

2025 年 8 月：

开始入门slam，阅读了高翔老师的《视觉SLAM十四讲 (第2版)》前六章。特别推荐全日制学生混的一起读书系列，让我对李群李代数、非线性优化的内容有了更深刻的理解和认识。听了深蓝学院的对应前四节课，简单做了一下课程中布置的课后编程作业。

关于点云的学习主要是《点云库PCL从入门到精通》前十二章，这本书给我的感觉更像一本词典，让你先了解PCL库封装了哪些方法，可以直接调库进行哪些操作。对照着官网的讲解和代码同时也参考了双愚大佬的学习笔记，简单跑了一遍PCL中的demo。

总结收获：

1）工程与构建：熟悉 CMake 的基本工程组织与编译流程，能够更顺畅地搭建、编译并链接第三方库与示例项目；已经可以读懂较简单的 CMakeLists.txt，对后续无论是纯 CMake 项目还是 ROS 工程中的编译/链接报错更敏感，也更容易定位问题。

2）矩阵变换：对坐标系、位姿表示以及变换链路的矩阵表达理解更扎实，为后续的位姿估计、坐标对齐与配准打下基础。

3）优化视角：初步建立“把问题写成优化问题”的思维框架，理解非线性优化在 SLAM 中的核心作用与常见求解套路；这一视角也为后续理解点云配准等优化问题提供了帮助。

4）点云处理：掌握点云处理的常用操作与工具链，能够使用 PCL 完成基础滤波、几何/特征相关处理等；对点云数据的基本操作与典型处理流程形成了整体印象。

2025 年 9 月：

学习了点云配准算法基础教程，了解到PCL库中封装的ICP点云配准比较慢，打算手写一个点到点ICP配准。但真正动手时才发现问题并不在“写代码”本身，而在于工程路径不清晰：矩阵变换用Eigen库还是自己封装？kdtree用PCL的还是也自己实现一个更轻量的版本？优化迭代选择哪种求解方式？这时我读到了高翔老师的另一大作《自动驾驶与机器人中的SLAM技术-从理论到实践》，我用 PCL 书中配准章节提供的点云用例做了一次对比测试，结果观察到自实现版本并未体现出速度优势。不过由于当时没有做足够次数的重复实验、也没有系统统计耗时分布与线程配置差异，这个结论仍然只能算“现象级观察”。

与此同时，为了把“配准”和“定位”放到更完整的状态估计框架下理解，学习了基础卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、误差状态卡尔曼滤波（ESKF）与 IMU 预积分基本理论与工程落地思路，主要参考了《视觉 SLAM 十四讲》第 9 讲，激光定位学习小组技术分享：基于ESKF的传感器融合算法与IMU预积分理论，以及《自动驾驶与机器人中的 SLAM 技术-从理论到实践》的第4章。作为后续图优化路线的铺垫，我也开始接触 GTSAM 框架，初步理解因子图建模与求解的基本形式。

总结收获：

1）从用到写：更熟悉 KF / EKF / ESKF 的建模方式与误差状态表达，能把状态、观测、预测与更新组织成可运行的模块，并清楚每一项噪声与线性化假设对结果的影响。

2）小工程落地能力：思路转变为先做最小可运行闭环，再按需求优先级增添迭代。

3）后端优化入门：对 GTSAM 等优化库的基本思想建立初步认识：因子图如何表达约束、非线性优化如何求解、先验/噪声模型如何进入系统，为后续理解图优化与融合框架打下基础。

2025 年 10 月：

阅读并梳理了 LIO-SAM 的论文与代码实现，阅读过程中参考了Simple-LIO-SAM的专栏，重点关注其从前端处理、状态估计/优化到地图维护与闭环的整体数据流与模块协作方式。

学习了B 样条曲线，参考博客B-spline Curves 学习之B样条基函数的定义与性质，初步理解其在轨迹表示的意义，为后续可能涉及的轨迹建模工作做知识储备。

另一方面是确立了我的研究方向，我复现了我研究方向领域内常用的经典传统方法，并将其统一改造成 实时话题接口 的形式，以便后续进行横向评测。

针对一篇与研究方向相关的顶刊工作，我完成了 Docker 环境部署与运行，并实现了容器内推理节点与主机侧 ROS 的 rviz 可视化数据对接，打通了从推理输出到可视化验证的链路。

总结收获：

1）SLAM 工程框架理解：通过论文与代码对照阅读，建立了对典型slam系统“输入—处理—输出”的整体链路视角，能更清晰定位各模块的职责与误差来源。

2）阅读文献和复现能力：完成多种传统方法复现，并统一为实时话题接口，形成可复用的评测/集成形态，便于后续横向对比与快速替换。

3）认识Docker ：跑通容器化部署与主机 ROS 可视化对接，形成一套环境复现与调试流程，显著降低后续配环境与迁移成本。

2025 年 11 月：

在深度学习方向，我精读了一篇基于点云深度学习网络改进的论文，并尝试按论文描述自行复现。但由于该工作未开源代码与数据，且缺少公开数据集上的统一指标对比。复现时不可避免会遇到实现细节缺失与评测口径不一致。最终我跑通了训练与评估流程，但效果并不理想。这个过程让我更清楚地意识到：论文的可复现性与可验证性，往往决定了复现投入的上限。

在传感器标定方面，我学习了 lidar_align 与 lidar_IMU_calib 两套 IMU–LiDAR 标定工具，并做了实际尝试但未能收敛。复盘后认为主要原因在于数据采集场景缺少足够的运动数据（尤其是俯仰等姿态变化不足），导致可观测性条件不满足，从而影响外参求解的稳定性与收敛结果。

总结收获：

1）深度学习 pipeline：跑通从数据准备、训练到评估的基本链路，建立起对关键环节（数据处理、训练策略、指标评估）的工程化直觉，并能更有针对性地定位“效果不佳”可能出在哪一段流程。

2）复现边界认知：理解在缺少开源代码/数据、缺少统一公开评测的情况下，复现往往面临“实现细节缺失 + 指标不可对齐”的双重不确定性；学会更合理地设定复现目标（先对齐流程与基线，再谈改进点），避免在不可验证的细节上过度消耗。

3）问题认知：逐渐意识到一些效果/性能问题并非单靠改代码就能解决，更关键的是先定位瓶颈所在，并据此形成可执行的改进策略：有时需要补数据与改采集方式（数据分布、覆盖的运动/场景激励、标注与噪声特性），有时需要调整评测与实验设计（指标、对照组、消融与复现设置），也可能需要改建模假设或工程链路（输入预处理、参数/先验、鲁棒机制与约束条件）。

2025 年 12 月：

我补充学习了 DBSCAN 这类常用聚类工具，并借助DBSCAN可视化网站案例加深对参数与聚类形态的直观理解。在此基础上，我更多做的是方法迁移：当某个思路在理论上看起来可行时，尝试把它嵌入到自己的流程中，并通过对比实验验证是否带来稳定收益。与此同时，我也尝试在他人的公开数据集上进行对比实验，与之前复现的方法做横向对比，以建立更可复现的评估基准。

总结收获：

1）从能用到可改：对关键模块的源码理解从“调用与跑通”推进到“看懂并能修改”，逐步具备定位问题、最小改动验证假设的能力。

2）组合策略意识：开始形成“多阶段处理 + 互补机制”的工程化思路，把单一方法的短板用流程设计补齐，使整体表现更稳健、可控。

2026 年 1 月：

我学习了 Python 的自动化调参工具 Optuna ，用贝叶斯优化等策略替代部分网格搜索与纯手工调参，将以往偏经验的参数调整过程推进到可重复、可迁移的参数搜索流程：能记录试验轨迹、复现实验配置，也更容易在不同数据/场景下复用调参策略。

最重要的变化，是我开始认真思考。过去半年里我做了不少偏工程的任务：它们当然锻炼了我，也让我把系统跑起来、把链路打通、把问题解决。但工程像一条不断前行的传送带：任务从外部涌来，你就去学、去补、去修；当“能用”为止，学习也往往就停在“交付的那一刻”。下一件事紧接着到来，新的需求覆盖旧的热情，进度条刷新得很快，却不一定是我真正想推进的方向。学术研究更像是在雾里找路：你不一定马上抵达，可每往前一步，雾就会退一点，你会开始看见地图的轮廓，也看见自己真正想去的方向。

所以这段时间我真正收获的，也许不是某个工具、某套方法，而是一种更清晰的自我辨认：我并不排斥工程，只是更渴望把时间投入到那些“暂时没有答案、却愿意一直想”的问题里。读博的念头或许正是从这里长出来的：不是逃离任务，而是把自己从被动的“来什么学什么”，慢慢带回主动的“我想学什么，就去学什么”。

总结收获：

1）自动调参：用 Optuna 的自动化搜索替代部分网格/手工调参，把调参从“凭感觉试”升级为“有记录、可复现、可迁移”的参数搜索流程，显著提升实验迭代效率。

2）阶段性规划：我不再只是摇摆比较，而是逐渐确认自己更倾向于什么：我更享受在不确定中追问、在复现与推导里逼近答案的过程，也愿意为长期问题投入更稳定的时间与耐心。

希望我之后可以做到：把重心从“任务驱动”逐步转向“问题驱动的主动积累”。